一种基于混合指纹和视距制造技术

本发明专利技术涉及一种基于混合指纹和视距

【技术实现步骤摘要】
一种基于混合指纹和视距/非视距识别的定位方法


[0001]本专利技术涉及无线通信及定位领域，尤其是涉及一种基于混合指纹和视距
/
非视距识别的定位方法
。

技术介绍

[0002]复杂环境定位系统是物联网
(Internet of Things
，
IoT)
的重要组成部分之一
。
在基于无线电波传播技术的背景下，目前已经开发了许多定位算法，如文献
1“C.Yang and H.
‑
r.Shao
，“WiFi
‑
Based Indoor Positioning
，”IEEE Commun.Mag.
，
vol.53
，
no.3
，
pp.150
‑
157
，
2015.”提出了一种基于
WiFi
的定位技术，其利用无线电波的到达时间
(Time of Arrival
，
ToA)
和到达角
(Angle of Arrival
，
AoA)
来对目标物体进行定位
。
然而此方法在被多径传输干扰
、
或在
NLoS
的情况下，定位误差较大，变得不可靠
。
近年来，提出了许多相应的解决方案，其中基于机器学习技术的定位系统由于具有较高的成本效益和灵活的定位服务而受到业界的广泛关注
。
[0003]如文献
2“X.Wang
，
L.Gao
，
S.Mao and S.Pandey
，
″
CSI
‑
Based Fingerprinting for Indoor Localization
：
A Deep Learning Approach
，
″
in IEEE Trans.Veh.Technol.
，
vol.66
，
no.1
，
pp.763
‑
776
，
2017”提出利用机器学习的方式，基于信道状态信息
(Channel State Information
，
CSI)
指纹数据库的定位系统
。
然而上述定位方法仅利用单一的信道特征参数来训练定位模型，这使得模型估计精度较低，定位的性能较差
。
除此之外，如文献
3“S.Venkatraman
，
J.Caffery
，
Jr.
，
and H.R.You
，“Location using LoS range estimation in NLOS environments
，”in Proc.IEEE Semiannual Veh.Technol.Conf.
，
vol.2
，
Birmingham
，
AL
，
May 2002
，
pp.856
‑
860.”所述，当环境非常复杂时，电磁波信号的传播经常收到阻挡，这会严重影响定位的精度
。
因此，辨别
NLoS
的传播场景并减轻其对定位系统影响的至关重要
。
文献
4“Y.Shen and M.Z.Win
，“Localization accuracy using wideband antenna arrays
，”in IEEE Trans.Commun.
，
vol.58
，
no.1
，
pp.270
‑
280
，
Jan.2010”提出了一种基于机器学习技术的分类和回归算法，该算法评估信号是在
LOS
还是
NLOS
条件下传输的，并且可以减轻由于
NLoS
引起的测距误差，可以显著提高现实环境中的定位性能
。
然而，上述的定位方法没有使用融合了多种精细化信道特征参数来构建指纹数据库，因此定位精度较低，并且在
LoS
和
NLoS
场景均使用相同的定位方法，这使得其很难在
LoS
或
NLoS
场景下各自实现最优的定位精度
。

技术实现思路

[0004]本专利技术的目的是为了提供一种基于混合指纹和视距
/
非视距识别的定位方法，该方法分为两个阶段：即在线训练阶段和离线定位阶段
。
在在线训练阶段：首先建立了与信号传播场景和目标位置相关的指纹数据库，其融合了多种大尺度
、
小尺度的信道特征参数以提高定位的精度，并训练了用于视距
/
非视距识别的最小二乘支持向量机模型和用于非视距场景下的定位模型分层式支持向量机分类
‑
回归模型
。
在离线定位阶段，首先提取定位目
标的信道参数特征集，并利用最小二乘支持向量机模型识别其传输的场景为视距还是非视距，然后在视距和非视距场景下分别使用几何定位算法和分层式支持向量机分类
‑
回归模型进行定位，可以确保在两种场景下都能获得最佳的定位精度性能
。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]一种基于混合指纹和视距
/
非视距识别的定位方法，包括以下步骤：
[0007]S1、
获取访问节点
(Access Point
，
AP)
和不同位置的参考节点
(Reference Point
，
RP)
之间的信道冲击响应
(Channel Impulse Response
，
CIR)
，提取视距
(Line
‑
of
‑
Sight
，
LoS)/
非视距
(Non
‑
Line
‑
of
‑
Sight
，
NLoS)
场景下的信号传播场景
‑
信道特征参数集，建立混合多种信道特征参数的信号传播场景
=
信道特征参数指纹数据库；
[0008]S2、
提取与参考节点位置具有映射关系的位置
‑
信道特征参数集，建立混合多种信道特征参数的位置一信道特征参数指纹数据库；
[0009]S3、
将信号传播场景
‑...

【技术保护点】

【技术特征摘要】
1.
一种基于混合指纹和视距
/
非视距识别的定位方法，其特征在于，包括以下步骤：
S1、
获取访问节点和不同位置的参考节点之间的信道冲击响应，提取视距
/
非视距场景下的信号传播场景
‑
信道特征参数集，建立混合多种信道特征参数的信号传播场景
‑
信道特征参数指纹数据库；
S2、
提取与参考节点位置具有映射关系的位置
‑
信道特征参数集，建立混合多种信道特征参数的位置
‑
信道特征参数指纹数据库；
S3、
将信号传播场景
‑
信道特征参数指纹数据库中的参数集作为最小二乘支持向量机模型的输入并进行训练，输出信号传播场景识别结果；将位置
‑
信道特征参数指纹数据库中的参数集作为分层式支持向量机分类
‑
回归模型的输入并进行训练，输出定位结果；
S4、
采集需要定位的目标的信道特征参数集，输入最小二乘支持向量机模型进行信号传播场景识别，当识别结果为视距场景时，利用几何定位算法进行定位，当识别结果为非视距场景时，利用分层式支持向量机分类
‑
回归模型进行定位
。2.
根据权利要求1所述的一种基于混合指纹和视距
/
非视距识别的定位方法，其特征在于，所述信号传播场景
‑
信道特征参数集包括信道的增益
、
信道冲击响应的最大幅值
、
上升时间
、
平均超量时延
、
均方根时延扩展
、
峰度系数以及主径功率比
。3.
根据权利要求1所述的一种基于混合指纹和视距
/
非视距识别的定位方法，其特征在于，所述信号传播场景
‑
信道特征参数指纹数据库表示为：其中，其中，为访问节点与第
i
个参考节点之间的视距
/
非视距标签，若为视距则标签若为非视距则标签
N
RP
为参考节点位置的数量；为参考节点位置的数量；为访问节点与第
i
个参考节点之间的信号传播场景
‑
信道特征参数集
。4.
根据权利要求1所述的一种基于混合指纹和视距
/
非视距识别的定位方法，其特征在于，所述最小二乘支持向量机模型通过求解能够正确划分训练数据集并且几何间隔最大的分离超平面将数据划分为不同的类别，类别划分如下式所示：其中，
ω
和
b
是分类模型参数，
[
·
]
T
表示转置，为一个预定义的函数
。5.
根据权利要求1所述的一种基于混合指纹和视距
/
非视距识别的定位方法，其特征在于，所述步骤
S3
中，在对最小二乘支持向量机模型进行训练时，对信号传播场景
‑

【专利技术属性】
技术研发人员：郭明琦，俞凡，尹学锋，
申请(专利权)人：同济大学，
类型：发明
国别省市：